FR3070180A1

FR3070180A1 - Modeles de reseau de neurones pour l'optimisation en temps reel de parametres de forage lors d'operations de forage

Info

Publication number: FR3070180A1
Application number: FR1856731A
Authority: FR
Inventors: Srinath Madasu; Keshava Prasad Rangarajan; Nishant Raizada
Original assignee: Landmark Graphics Corp
Current assignee: Landmark Graphics Corp
Priority date: 2017-08-21
Filing date: 2018-07-19
Publication date: 2019-02-22
Also published as: GB2578700B; US11319793B2; CA3069299C; AU2017428353A1; NO20200053A1; CA3069299A1; GB202000648D0; GB2578700A; US20210148213A1; WO2019040091A1

Abstract

L'invention concerne un système et des procédés pour optimiser les paramètres d'opérations de forage. Des données en temps réel comprenant des valeurs pour des variables d'entrée associées à un stade de l'instant d'une opération de forage le long d'un trajet de puits planifié sont acquises. Un modèle de réseau de neurones est entraîné pour produire une fonction objectif définissant une valeur de réponse pour au moins une variable de fonctionnement de l'opération de forage. La valeur de réponse pour la variable de fonctionnement est estimée sur la base de la fonction objectif produite par le modèle de réseau de neurones entraîné. Une optimisation stochastique est appliquée à la valeur de réponse estimée afin de produire une valeur de réponse optimisée pour la variable de fonctionnement. Les valeurs de paramètres contrôlables sont estimées pour un stade ultérieur de l'opération de forage, sur la base de la valeur de réponse optimisée de la variable de fonctionnement. Le stade ultérieur de l'opération de forage est mis en œuvre sur la base des valeurs estimées des paramètres contrôlables.

Description

2017-IPM-101331-U1-FR 1

MODÈLES DE RÉSEAU DE NEURONES POUR U’OPTIMISATION EN TEMPS RÉEL DE PARAMÈTRES DE FORAGE LORS D’OPÉRATIONS DE FORAGE

DOMAINE DE LA DIVULGATION

La présente divulgation concerne, d’une manière générale, la planification et le contrôle d’un puits lors d’opérations de forage et, plus particulièrement, une modélisation et optimisation en temps réel des paramètres de forage pour la planification et le contrôle d’un puits lors d’opérations de forage.

CONTEXTE

Pour obtenir des hydrocarbures, comme du pétrole et du gaz, un puits de forage est foré dans une formation rocheuse contenant des hydrocarbures par la rotation d’un trépan de forage fixé à un train de forage. Le trépan de forage est monté sur l’extrémité inférieure du train de forage en tant que partie d’un module de fond de puits (BHA) et est mis en rotation par la rotation du train de forage à la surface, par l’actionnement d’un moteur de fond de puits, ou les deux. Avec un poids appliqué par le train de forage, le trépan de forage en rotation vient au contact de la formation et forme un trou de forage vers une zone cible. Pendant le procédé de forage, des fluides de forage sont mis en circulation pour évacuer les déblais tandis que le trépan de forage pénètre dans la formation.

Un certain nombre de capteurs ou de dispositifs de mesure peuvent être placés à proximité du trépan de forage pour mesurer des paramètres de fonctionnement de fond de puits associés aux conditions de forage et de fond de puits. Les mesures capturées par ces capteurs peuvent être transmises à un dispositif de calcul d’un opérateur de forage à la surface du trou de forage à des fins de surveillance et de contrôle du forage du puits de forage le long d’un trajet planifié pendant différents stades d’une opération de forage. Quand des décisions doivent être prises pour planifier et mettre en œuvre efficacement un plan de forage, l’opérateur de forage peut avoir besoin de surveiller et d’ajuster constamment divers paramètres pour prendre en compte les changements de conditions de fond de puits au fur et à mesure du forage du puits de forage à travers différentes couches de la formation. Cependant, ceci peut s’avérer être difficile en raison de la complexité de la physique sous-jacente et des aspects d’ingénierie du procédé de forage en plus de l’incertitude inhérente des données capturées à la surface et en fond de puits.

BRÈVE DESCRIPTION DES FIGURES

2017-IPM-101331-U1-FR 2

La figure 1 représente un diagramme d’un système de forage en mer selon un ou plusieurs modes de réalisation de la présente divulgation.

La figure 2 représente un diagramme d’un système de forage à terre selon un ou plusieurs modes de réalisation de la présente divulgation.

La figure 3 est un schéma fonctionnel d’un système d’analyse et d’optimisation en temps réel de paramètres de fond de puits pour la planification et le contrôle d’un puits lors d’une opération de forage.

La figure 4 est un diagramme d’un modèle de réseau de neurones illustratif pour optimiser les paramètres d’une opération de forage le long d’un trajet de puits planifié sur la base de contraintes non linéaires appliquées aux modèles pendant différents stades de l’opération.

La figure 5 est un schéma d’un modèle de réseau de neurones avec des entrées de données en temps réel et une optimisation bayésienne pour entraîner et ré-entraîner le modèle.

La figure 6 est un schéma d’un réseau de neurones à fenêtre glissante (SWNN) pour prédire les valeurs d’une ou de plusieurs variables de fonctionnement d’une opération de forage le long d’un trajet de puits.

La figure 7 est un schéma d’un réseau de neurones profond récurrent (DNN) ayant une ou plusieurs cellules d’unité récurrente à porte (GRU) pour prédire les valeurs d’une ou de plusieurs variables de fonctionnement d’une opération de forage le long d’un trajet de puits.

La figure 8 est un schéma d’une cellule GRU illustrative du DNN présenté sur la figure 7.

La figure 9 est un diagramme d’une architecture illustrative de DNN récurrent pour filtrer le bruit provenant des données en temps réel utilisées pour entraîner le DNN récurrent.

La figure 10 est un schéma d’un procédé illustratif d’optimisation de paramètres de fond de puits avec un modèle de réseau de neurones en temps réel pour la planification et le contrôle d’un puits lors des différents stades d’une opération de forage.

Les figures 11 A, 1 IB, 1 IC et 11D sont des graphiques représentant les valeurs de taux de pénétration (ROP) telles que prédites en utilisant un modèle SWNN par rapport aux valeurs ROP réelles le long d’un trajet de puits.

Les figures 12A et 12B sont des graphiques représentant une comparaison entre des valeurs ROP prédites et réelles le long d’un trajet de puits, où les valeurs prédites sont basées sur un DNN récurrent avec ou sans un filtre de bruit, respectivement.

La figure 13 est un schéma fonctionnel d’un système informatique illustratif dans lequel un ou plusieurs modes de réalisation peuvent être mis en œuvre.

2017-IPM-101331-U1-FR 3

DESCRIPTION DES MODES DE RÉALISATION ILLUSTRATIFS

Les modes de réalisation de la présente divulgation concernent l’utilisation de modèles de réseau de neurones pour l’optimisation en temps réel de paramètres de fond de puits pour des opérations de forage. Bien que la présente divulgation soit décrite ici en référence à des modes de réalisation illustratifs pour des applications particulières, il est entendu que les modes de réalisation ne se limitent pas à ceux-ci. D’autres modes de réalisation sont possibles, et des modifications peuvent être apportées aux modes de réalisation dans l’esprit et la portée des présents enseignements et des domaines supplémentaires dans lesquels les modes de réalisation seraient d’une utilité significative.

Dans la présente description détaillée, des références à « un des modes de réalisation », « un mode de réalisation », « un exemple de mode de réalisation », etc., indiquent que le mode de réalisation décrit peut inclure une spécificité, une structure, ou une spécificité particulière, mais tous les modes de réalisation n’incluent pas nécessairement la spécificité, la structure, ou la caractéristique particulière. De plus, de telles expressions ne font pas nécessairement référence au même mode de réalisation. En outre, lorsqu’une spécificité, une structure, ou une caractéristique particulière est décrite en connexion avec un mode de réalisation, il est estimé que l’homme du métier dispose des connaissances pour mettre en œuvre une telle spécificité, structure, ou caractéristique en connexion avec d’autres modes de réalisation qu’ils soient explicitement décrits ou non.

Il semblera également évident à l’homme du métier que les modes de réalisation, tel que décrit ici, peuvent être mis en œuvre dans de nombreux modes de réalisation différents de logiciels, de matériels, de micrologiciels, et/ou les entités illustrées dans les figures. Tout code de logiciel réel avec la commande spécialisée d’un matériel pour mettre en œuvre des modes de réalisation ne limite pas la description détaillée. Par conséquent, le comportement fonctionnel de modes de réalisation sera décrit étant entendu que des modifications et des variations des modes de réalisation sont possibles, compte tenu du niveau de détail présenté ici.

Les termes « paramètre contrôlable » et « variable d’entrée » peuvent être utilisés de manière interchangeable dans le présent document pour faire référence à une entrée ou à un paramètre contrôlable d’une opération de forage qui peut être ajusté au cours de l’opération et dont les valeurs peuvent avoir un impact sur le résultat de l’opération. L’opération de forage peut impliquer le forage d’un puits de forage le long d’un trajet ou d’une trajectoire planifié à travers différentes couches d’une formation souterraine. Les conditions de fonctionnement en fond de puits peuvent changer tandis que le puits de forage est foré à travers la formation. Par conséquent, un opérateur de forage ou un système de commande automatisé peut ajuster en continu

2017-IPM-101331-U1-FR 4 un ou plusieurs paramètres contrôlables afin de prendre en compte ces changements et ainsi maintenir ou améliorer l’efficacité du forage lors de l’opération. Des exemples de tels paramètres contrôlables comprennent, mais sans s’y limiter, la charge sur le trépan (WOB), la vitesse de rotation du trépan de forage ou du train de forage (par exemple, la vitesse de rotation appliquée par le mécanisme d’entraînement supérieur) en tour par minute (Tr/min), et une vitesse d’injection ou de pompage (Q) d’un fluide de forage dans le puits de forage ou un tuyau disposé à l’intérieur de celui-ci. Bien que « Tr/min » est utilisé dans le présent document pour faire référence à la rotation ou vitesse de rotation du trépan de forage, il sera compris qu’une telle vitesse peut être spécifiée en utilisant n’importe quelle unité de mesure appropriée et souhaitée pour une mise en œuvre particulière.

Dans un ou plusieurs modes de réalisation, les paramètres contrôlables peuvent être utilisés pour contrôler les valeurs d’une « variable de fonctionnement » de l’opération de forage quand elle est effectuée en fond de puits pendant différents stades le long d’un trajet planifié du puits de forage à travers la formation. La variable de fonctionnement peut être sélectionnée par un utilisateur (par exemple, un opérateur de forage) afin de surveiller une réponse particulière de fond de puits quand l’opération de forage est réalisée le long du trajet de puits, par exemple, en fonction de valeurs de l’instant des paramètres contrôlables ou des variables d’entrée. Par conséquent, la variable de fonctionnement peut également faire référence dans le présent document à une « variable de réponse » de l’opération de forage. Des exemples de telles variables de fonctionnement/réponse comprennent, mais sans s’y limiter, une énergie spécifique hydraulique mécanique (HMSE) et un taux de pénétration (ROP). Les paramètres contrôlables (variables d’entrée) et les variables de fonctionnement/réponse sont désignés collectivement dans le présent document par « paramètres de forage ».

Dans un ou plusieurs modes de réalisation, un modèle de réseau de neurones avec une optimisation stochastique basée sur une optimisation bayésienne (BO) peut être utilisé pour optimiser une ou plusieurs variables de fonctionnement (ou variables de réponse) pour chaque stade de l’opération de forage, par exemple, la maximisation du ROP et/ou la minimisation du HMSE à différentes profondeurs ou à différents points le long du trajet de forage. Comme décrit avec de plus amples détails ci-dessous, des données en temps réel, notamment les valeurs de l’instant d’un ou de plusieurs paramètres contrôlables (par exemple, WOB, Tr/min, et/ou Q) à différentes profondeurs le long du trajet de puits, peuvent être appliquées en tant qu’entrées au modèle de réseau de neurones pour prédire les valeurs de la variable de réponse ou des variables de réponse. Le modèle de réseau de neurones peut être, par exemple, un réseau de neurones à fenêtre glissante (SWNN). En variante, le modèle de réseau de neurones peut être un réseau de

2017-IPM-101331-U1-FR 5 neurones profond récurrent (DNN) avec une ou plusieurs cellules d’unité récurrente à porte (GRU). Cependant, il sera compris que l’un quelconque des divers modèles de réseaux de neurones, par exemple, des modèles de réseau de neurones profond à mémoire court et long terme (LSTM), peut également être utilisé si cela est souhaité pour une mise en œuvre particulière.

Des modes de réalisation illustratifs et des méthodologies liées de la présente divulgation sont décrits ci-dessous en référence aux figures 1 à 15 tels qu’ils pourraient être employés, par exemple, dans un système informatique pour une modélisation et optimisation en temps réel de paramètres de forage pendant différents stades d’une opération de forage le long d’un trajet de puits planifié. Dans certaines mises en œuvre, un tel système informatique peut faire partie d’un système de commande automatisé pour orienter un trépan de forage le long du trajet de puits en couplant mathématiquement le modèle de réseau de neurones avec les données de forage en temps réel et diverses contraintes discontinues non linéaires associées aux différents stades de l’opération de forage à diverses profondeurs ou divers points le long du trajet de puits. Par exemple, le trépan de forage peut être dirigé de manière itérative au fur et à mesure que les données en temps réel sont acquises pendant une période de temps lors de chaque stade de l’opération de forage. A chaque itération pendant la période de temps, les données en temps réelle acquise pour un stade de l’instant de l’opération peuvent être appliquées en tant qu’entrées pour entraîner ou ré-entraîner le modèle de réseau de neurones afin d’estimer ou de prédire la variable de réponse pour un stade ultérieur le long du trajet de puits. Une optimisation bayésienne peut être appliquée pour optimiser la variable de réponse prédite. La variable de réponse prédite peut ensuite être utilisée pour estimer ou prédire des valeurs optimales pour un ou plusieurs paramètres contrôlables, et le stade ultérieur de l’opération de forage peut être réalisé en dirigeant le trépan de forage à travers la formation en fonction des valeurs de paramètres contrôlables estimées. De cette manière, le système peut diriger de manière itérative le trépan de forage et ajuster le trajet de puits si nécessaire pour optimiser l’efficacité du forage, par exemple, en maximisant le ROP et/ou en minimisant le HMSE.

D’autres spécificités et avantages des modes de réalisation divulgués seront ou deviendront évidents pour l’homme du métier après examen des figures suivantes et de la description détaillée. Il est prévu que toutes les spécificités supplémentaires et avantages de ce type soient inclus dans la portée des modes de réalisation divulgués. En outre, les figures illustrées ne sont données qu’à titre d’exemple et ne sont pas destinées à affirmer ou à impliquer une quelconque limitation relative à l’environnement, à l’architecture, à la conception ou au processus dans lesquels les différents modes de réalisation peuvent être mis en œuvre. Bien que les exemples illustrés puissent être décrits dans le contexte d’une prédiction et d’une optimisation du ROP et/ou

2017-IPM-101331-U1-FR 6 du HMSE, il doit être noté que les modes de réalisation ne sont pas destinés à être limités à ceuxci et que les techniques d’optimisation de paramètres divulguées peuvent être appliquées à n’importe quelle variable de fonctionnement souhaitée pour une mise en œuvre particulière. De plus, même si une figure peut représenter un puits de forage horizontal ou un puits de forage vertical, sauf indication contraire, l’homme du métier doit comprendre que l’appareil selon la présente divulgation est également bien adapté à une utilisation dans des puits de forage ayant d’autres orientations, comme les puits de forages verticaux, les puits de forage inclinés, les puits de forages multilatéraux ou équivalents. En outre, sauf indication contraire, même si une figure peut représenter un trou tubé, l’homme du métier doit comprendre que l’appareil selon la présente divulgation est également bien adapté à une utilisation dans des opérations à trou ouvert.

La figure 1 illustre un diagramme présentant un exemple de système de forage en mer pour une opération de forage sous-marine. En particulier, la figure 1 représente un ensemble de fond de puits 100 pour une opération de forage sous-marine, l’ensemble de fond de puits 100 comprenant de manière illustrative un trépan de forage 102 à l’extrémité distale du train de forage 104. Divers outils de diagraphie en cours de forage (LWD) ou de mesure en cours de forage (MWD) peuvent également être couplés à l’intérieur de l’ensemble de fonds de puits 100. La distinction entre LWD et MWD est parfois floue dans l’industrie, mais dans le cadre de ce mémoire et des revendications, les outils LWD mesurent des propriétés de la formation environnante (par exemple, une résistivité, une porosité, une perméabilité), et les outils MWD mesurent des propriétés associées au puits de forage (par exemple, une inclinaison, et une direction). Dans le système donné en exemple, un outil de diagraphie 106 peut être couplé juste au-dessus du trépan de forage, où l’outil de diagraphie peut lire des données associées au puits de forage 108 (par exemple, un outil MWD), ou l’outil de diagraphie 106 peut lire des données associées à la formation environnante (par exemple, un outil LWD). Dans certains cas, l’ensemble de fond de puits 100 peut comprendre un moteur à boue 112. Le moteur à boue 112 peut dériver l’énergie provenant du fluide de forage s’écoulant à l’intérieur du train de forage 104 et, à partir de l’énergie extrême, le moteur à boue 112 peut faire tourner le trépan de forage 102 (et s’il est présent l’outil de diagraphie 106) de manière séparée de la rotation conférée au train de forage par un équipement de surface. Des outils de diagraphie supplémentaires peuvent se trouver au-dessus du moteur à boue 112 dans le train de forage, comme l’outil de diagraphie 114 illustratif.

L’ensemble de fonds de puits 100 est descendu à partir d’une plate-forme de forage 116 à l’aide du train de forage 104. Le train de forage 104 s’étend à travers un tube prolongateur 118 et une tête de puits 120. L’équipement de forage supporté à l’intérieur et autour du derrick 123 (équipement de forage illustratif décrit avec de plus amples détails par rapport à la

2017-IPM-101331-U1-FR 7 figure 2) peut faire tourner le train de forage 104, et le mouvement de rotation du train de forage 104 et/ou le mouvement de rotation créé par le moteur à boue 112 amènent le trépan 102 à former le puits de forage 108 à travers le matériau de la formation 122. Le volume défini entre le train de forage 104 et le puits de forage 108 est appelé espace annulaire 125. Le puits de forage 108 pénètre dans des zones ou réservoirs souterrains, comme le réservoir 110, susceptibles de contenir des hydrocarbures en des quantités commercialement viables.

L’ensemble de fonds de puits 100 peut comprendre en outre un sous-système de communication comprenant, par exemple, un module de télémétrie 124. Le module de télémétrie 124 peut coupler en communication les divers outils de diagraphie 106 et 114 et recevoir les données de diagraphie mesurées et/ou enregistrées par les outils de diagraphie 106 et 114. Le module de télémétrie 124 peut communiquer les données de diagraphie vers la surface en utilisant n’importe quel canal de communication adapté (par exemple, des impulsions de pression à l’intérieur du fluide de forage s’écoulant dans le train de forage 104, une télémétrie acoustique à travers les tubes du train de forage 104, une télémétrie électromagnétique, des fibres optiques intégrées dans le train de forage 104, ou des combinaisons). De même, le module de télémétrie 124 peut recevoir des informations provenant de la surface sur un ou plusieurs des canaux de communication.

La figure 2 illustre un diagramme présentant un exemple de système de forage à terre pour mettre en œuvre une opération de forage à terre. En particulier, la figure 2 montre une plate-forme de forage 200 équipée d’un derrick 202 qui supporte un appareil de levage 204. L’appareil de levage 204 suspend un mécanisme d’entraînement supérieur 208, qui tourne et abaisse le train de forage 104 à travers la tête de puits 210. Un fluide de forage est pompé par une pompe à boue 214 à travers une conduite d’écoulement 216, une colonne montante 218, un col de cygne 220, un entraînement supérieur 208, et vers le bas à travers le train de forage 104 à des pressions et des volumes élevés pour déboucher par des buses ou des tuyères dans le trépan de forage 102. Le fluide de forage se déplace ensuite à nouveau vers le haut du puits de forage via l’espace annulaire 125, à travers un bloc obturateur (non représenté spécifiquement), et dans un bassin à boue 224 sur la surface. A la surface du site de puits, le fluide de forage est nettoyé puis remis en circulation par une pompe à boue 214. Le fluide de forage est utilisé pour refroidir le trépan de forage 102, pour emmener des déblais depuis la base du trou de forage vers la surface, et pour équilibrer la pression hydrostatique dans les formations rocheuses.

Dans le cas illustratif du mode de télémétrie 124 codant les données en impulsions de pression qui se propagent vers la surface, un ou plusieurs transducteurs, tels que un ou plusieurs des transducteurs 232, 234 et 236, convertissent le signal de pression en signaux

2017-IPM-101331-U1-FR 8 électriques pour un numériseur de signal 238 (par exemple, un convertisseur analogiquenumérique). Bien que seuls les transducteurs 232, 234 et 236 soient illustrés, n’importe quel nombre de transducteurs peut être utilisé comme cela est souhaité pour une mise en œuvre particulière. Le numériseur 238 fournit une forme numérique des signaux de pression à un système informatique de surface 240 ou une autre forme d’un dispositif de traitement de données situé à la surface du site de puits. Le système informatique de surface 240 fonctionne selon des instructions exécutables par ordinateur (qui peuvent être stockées sur un support de stockage lisible par ordinateur) pour surveiller et contrôler l’opération de forage, comme cela sera décrit avec de plus amples détails ci-dessous. De telles instructions peuvent être utilisées, par exemple, pour configurer le système informatique de surface 240 afin de traiter et de décoder les signaux de fond de puits reçus depuis le mode de télémétrie 124 via le numériseur 238.

Dans un ou plusieurs modes de réalisation, les données en temps collectées au niveau du site de puits, notamment les données de diagraphie de fond de puits provenant du module de télémétrie 124, peuvent être affichées sur un dispositif d’affichage 241 couplé au système informatique 240. La représentation des données de site de puits peut être affichée grâce à diverses techniques d’affichage, comme cela sera décrit avec de plus amples détails ci-dessous. Dans certaines mises en œuvre, le système informatique de surface 240 peut générer une représentation graphique bidimensionnelle (2D) ou tridimensionnelle (3D) des données du site de puits pour afficher sur le dispositif d’affichage 241 un graphique. La représentation graphique des données de sites de puits peut être affichée avec une représentation du trajet de puits planifié pour permettre à un utilisateur du système informatique 240 de surveiller ou suivre visuellement différents stades de l’opération de forage le long du trajet planifié du puits.

Dans un ou plusieurs modes de réalisation, les représentations des données de site de puits et du trajet de puits planifié peuvent être affichées à l’intérieur d’une interface utilisateur graphique (GUI) d’une application de géoguidage ou d’ingénierie de puits 280 exécutable au niveau du système informatique de surface 240. Une application d’ingénierie de puits 280 peut fournir, par exemple, un ensemble d’outils d’analyse et de visualisation de données pour la planification et le contrôle d’un puits. De tels outils peuvent permettre à l’utilisateur de surveiller différents stades de l’opération de forage et d’ajuster le trajet de puits planifié si nécessaire, par exemple, en ajustant manuellement un ou plusieurs paramètres contrôlables via la GUI de l’application d’ingénierie de puits 280 pour commander la direction et/ou l’orientation du trépan de forage 102 et le trajet de puits. En variante, la surveillance et le contrôle de l’opération de forage peuvent être réalisés automatiquement, sans aucune intervention d’un utilisateur, par l’application d’ingénierie de puits 280.

2017-IPM-101331-U1-FR 9

Par exemple, au fur et à mesure que chaque stade de l’opération de forage est réalisé et qu’une partie correspondante du puits est forée le long de son trajet planifié, l’application d’ingénierie de puits 280 peut recevoir des indications de conditions de fonctionnement en fond de puits et des valeurs de paramètres contrôlables utilisées pour contrôler le forage pendant l’opération. Des exemples de tels paramètres contrôlables comprennent, mais sans s’y limiter, le WOB, le débit et la pression du fluide de forage (à l’intérieur du tube de forage), la vitesse de rotation du train de forage et/ou du trépan (par exemple, la vitesse de rotation appliquée par le mécanisme d’entraînement supérieur et/ou un moteur de fond de puits), et la densité et la viscosité du fluide de forage. En réponse à la réception d’indications de fonctionnement de fond de puits pendant un stade de l’instant de l’opération de forage, le système informatique de surface 240 peut envoyer automatiquement des signaux de commande à un ou plusieurs dispositifs de fond de puits (par exemple, un outil de géoguidage de fond de puits) afin d’ajuster le trajet planifié du puits pour les stades ultérieurs de l’opération. Les signaux de commande peuvent comprendre, par exemple, des valeurs optimisées d’un ou de plusieurs paramètres contrôlables pour effectuer les stades ultérieurs de l’opération de forage le long du trajet ajusté du puits.

Dans un ou plusieurs modes de réalisation, une partie ou la totalité des calculs et des fonctions associés à la surveillance et au contrôle manuels ou automatiques de l’opération de forage au niveau du site de puits peut être effectuée par un système informatique distant 242 situé loin du site de puits, par exemple, dans un centre d’opérations d’un prestataire de services de champ pétrolifère. Dans certaines mises en œuvre, les fonctions effectuées par le système informatique distant 242 peuvent être basées sur des données de sites de puits reçues depuis le système informatique de site de puits 240 via un réseau de communication. Un tel réseau peut être, par exemple, un réseau local, un réseau moyen ou un réseau étendu, par exemple, Internet. Comme illustré dans l’exemple de la figure 2, la communication entre le système informatique 240 et le système informatique 242 peut passer par un lien satellitaire 244. Cependant, il doit être compris que les modes de réalisation ne sont pas limités à celui-ci et que n’importe quelle forme appropriée de communication peut être utilisée si cela est souhaité pour une mise en œuvre particulière.

Bien que cela ne soit pas représenté sur la figure 2, le système informatique distant 242 peut exécuter une application similaire à l’application d’ingénierie de puits 280 du système 240 pour mettre en œuvre la totalité ou une partie de la fonctionnalité de surveillance et de contrôle de site de puits décrite ci-dessus. Par exemple, une telle fonctionnalité peut être mise en œuvre en utilisant uniquement l’application d’ingénierie de puits 280 exécutable au niveau du système 240 ou en utilisant uniquement l’application d’ingénierie de puits exécutable au niveau

2017-IPM-101331-U1-FR 10 du système informatique distant 242 ou en utilisant une combinaison des applications d’ingénierie de puits exécutables au niveau des systèmes informatiques respectifs 240 et 242 de façon que la totalité ou une partie de la fonctionnalité de surveillance et de contrôle de site de puits puisse être propagée parmi les systèmes informatiques disponibles.

Dans un ou plusieurs modes de réalisation, la fonctionnalité de surveillance et de contrôle de site de puits fournie par le système informatique 242 (et le système informatique 240 ou l’application d’ingénierie de puits 280 de celui-ci) peut comprendre une analyse et une optimisation en temps réel de paramètres pour différents stades de l’opération de forage le long du trajet de puits planifié, comme décrit ci-dessus et comme cela sera décrit avec de plus amples détails ci-dessous par rapport aux figures 3 à 15. Bien que les exemples des figures 1 et 2 soient décrits dans le contexte d’un unique puits et site de puits, il doit être compris que les modes de réalisation ne sont pas destinés à être par ceci et que les techniques d’analyse et d’optimisation en temps divulguées dans le présent document peuvent être appliquées à de multiple puits au niveau de divers sites tout au long d’un champ de production d’hydrocarbures. Par exemple, le système informatique distant 242 de la figure 2, tel que décrit ci-dessus, peut être couplé en communication via un réseau de communication à des systèmes informatiques de site de puits correspondants similaires au système informatique 240 de la figure 2, comme décrit ci-dessus. Le système informatique distant 242 dans le présent exemple peut être utilisé pour surveiller et contrôler en continu des opérations de forage au niveau des divers sites de puits en envoyant et recevant des signaux de commande et des données de sites de puits vers et depuis les systèmes informatiques de site de puits respectifs via le réseau.

La figure 3 est un schéma fonctionnel d’un système 300 d’analyse et d’optimisation en temps réel de paramètres pour différents stades d’une opération de forage. L’opération de forage peut être, par exemple, une opération de forage sous-marine pour forer un puits de forage le long d’un trajet planifié à travers une formation souterraine au niveau d’un site de puits en mer, comme décrit ci-dessus par rapport à la figure 1. En variante, l’opération de forage peut être une opération de forage à terre pour forer le puits de forage le long d’un trajet planifié à travers une formation souterraine au niveau d’un site de puits à terre, comme décrit ci-dessus par rapport à la figure 2. Comme le montre la figure 3, un système 300 comprend un planificateur de puits 310, une mémoire 320, une interface utilisateur graphique (GUI) 330, et une interface réseau 340. Dans un ou plusieurs modes de réalisation, le planificateur de puits 310 comprend un gestionnaire de données 312, un optimiseur de forage 314, et un dispositif de commande de puits 316. Bien que cela ne soit pas représenté sur la figure 3, il doit être compris que le système 300 peut comprendre des composants et sous-composants supplémentaires, qui peuvent être utilisés

2017-IPM-101331-U1-FR 11 pour fournir la fonctionnalité d’analyse et d’optimisation en temps réelle décrite dans le présent document.

L’interface réseau 340 du système 300 peut comprendre une logique codée dans un logiciel, un matériel, ou une combinaison de ceux-ci pour communiquer avec un réseau 304. Par exemple, l’interface réseau 340 peut comprendre un logiciel supportant un ou plusieurs protocoles de communication de façon qu’un matériel associé à l’interface réseau 340 puisse communiquer des signaux à d’autres systèmes et dispositifs informatiques via le réseau 304. Le réseau 304 peut être utilisé, par exemple, pour faciliter des communications sans fil ou câblées entre le système 300 et les autres systèmes et dispositifs informatiques. Dans certaines mises en œuvre, le système 300 et les autres systèmes et dispositifs peuvent fonctionner en tant que composants séparés d’un environnement informatique distribué dans lequel les composants sont couplés en communication via le réseau 304. Bien que cela ne soit pas représenté sur la figure 3, il doit être compris que ces autres systèmes et dispositifs peuvent comprendre d’autres ordinateurs locaux ou distants comme, par exemple et sans s’y limiter, un ou plusieurs systèmes clients, serveurs, ou autres dispositifs couplés en communication via le réseau 304.

Le réseau 304 peut être une ou n’importe quelle combinaison de réseaux comme, mais sans s’y limiter, un réseau local, un réseau moyen, ou un réseau étendu, par exemple, Internet. Ce ou ces réseaux peuvent être tout ou partie d’un réseau d’entreprise ou sécurisé. Dans certains cas, une partie du réseau 304 peut être un réseau privé virtuel (VPN) entre, par exemple, un système 300 et d’autres ordinateurs ou d’autres dispositifs électroniques. En outre, tout ou partie du réseau 304 peut comprendre une liaison câblée ou sans fil. Des exemples de telles liaisons sans fil comprennent, mais sans s’y limiter, 802.1 la/b/g/n, 802.20, WiMax, et/ou n’importe quelle autre liaison sans fil appropriée. Le réseau 304 peut englober n’importe quel nombre de réseaux internes (privés) ou externes (publics), sous-réseaux, ou une combinaison de ceux-ci pour faciliter les communications entre les divers composants informatiques incluant le système 300.

Dans un ou plusieurs modes de réalisation, le système 300 peut utiliser le réseau 304 pour communiquer avec une base de données 350. La base de données 350 peut être utilisée pour stocker des données accessibles au système 300 pour mettre en œuvre la fonctionnalité de modélisation et de géoguidage en temps réel décrite dans le présent document. La base de données 350 peut être associée à ou située au niveau du centre d’opérations d’un prestataire de services de champ pétrolifère, comme décrit ci-dessus par rapport au système informatique 242 de la figure 2. Les données stockées peuvent comprendre, par exemple, des donnés et paramètres historiques de puits de forage associés à des opérations de forage au niveau de divers sites de puits, par exemple, d’autres sites de puits au sein du même champ de production d’hydrocarbures que le site de puits

2017-IPM-101331-U1-FR 12 dans le présent exemple. En plus ou en variante, les données peuvent comprendre des données collectées en temps réel provenant du site de puits lors des différents stades de l’opération de forage. Ces données en temps réel peuvent être récupérées à partir de la base de données 350 via le réseau 304 et stockées dans une mémoire 320 en tant que données de site de puits 322, par exemple, à récupérer et appliquer en tant que données d’entrée pour mettre en œuvre les techniques de modélisation et d’optimisation en temps divulguées dans le document. Dans certaines mises en œuvre, les données peuvent être diffusées à partir de la base de données 350 en tant que données en temps réel introduites dans une zone tampon ou de stockage désignée correspondant aux données de site de puits 322 dans la mémoire 320.

Dans un ou plusieurs modes de réalisation, les données de site de puits 322 peuvent comprendre des données transmises via le réseau 304 directement depuis un système de commande de surface (par exemple, le système informatique de surface 240 de la figure 2, comme décrit ci-dessus) au niveau d’une plate-forme de forage ou d’une plate-forme en mer en utilisant un format industriel tel que le langage de balisage standard de transfert d’informations de site de puits (WITSML). Le WITSML est connu pour faciliter le libre passage de données techniques à travers les réseaux entre les compagnies pétrolières, les compagnies de service, les entreprises de forage, les vendeurs d’application et les organismes de régulation pour les fonctions de forage, de complétions et d’interventions de l’industrie amont du pétrole et du gaz naturel. Cependant, il doit être compris que les données de site de puits 322 peuvent être transmises et stockées en utilisant n’importe quel type de format de données, de standard, ou de structure souhaité pour une mise en œuvre particulière.

Les données de puits stockées 322 peuvent comprendre les valeurs de l’instant de paramètres contrôlables, par exemple, un débit (Q), une charge sur le trépan (WOB), et une vitesse de rotation de trépan (Tr/min). Cependant, il doit être compris que les données de site de puits 322 peuvent également comprendre diverses mesures ou d’autres données collectées au niveau du site de puits. Des exemples de ces autres données comprennent, mais sans s’y limiter, la profondeur (la profondeur verticale à l’intérieur de la formation et/ou la profondeur mesurée du puits de forage, qu’il soit vertical ou dévié), la taille du trépan, la longueur de la masse-tige, le couple et la résistance sur le train, la viscosité plastique, la limite de déformation élastique, le poids de la boue, la résistance du gel, la pression en fond de puits, et la température.

Dans un ou plusieurs modes de réalisation, le gestionnaire de données 312 du planificateur de puits 310 peut prétraiter les données de sites de puits stockées 322 ou les données en temps réel reçues via le réseau 304 depuis la base de données 350 ou un système informatique de site de puits. Le prétraitement peut comprendre, par exemple, le filtrage des données en une

2017-IPM-101331-U1-FR 13 série temporelle de taux d’échantillonnage ou de taux de forage. Dans certaines mises en œuvre, le gestionnaire de données 312 peut comprendre un ou plusieurs filtres de données pour réduire ou annuler le bruit provenant des données en temps réel. Des exemples de tels filtres comprennent, mais sans s’y limiter, un réseau de neurones à convolution, un filtre passe-bande, un filtre de Kalman, un filtre passe-haut, un filtre passe-bas, un filtre à moyenne, un filtre de réduction de bruit, un filtre à retard, un filtre de sommation, un filtre de conversion de format, et n’importe quel autre type de filtre de données numériques ou analogiques. Les données prétraitées peuvent ensuite être classées à des fins d’utilisation dans la prédiction et l’optimisation d’une ou de plusieurs variables de fonctionnement et d’un ou de plusieurs paramètres contrôlables pour différents stades de l’opération de forage, comme cela sera décrit avec de plus amples détails cidessous.

Dans un ou plusieurs modes de réalisation, au moins une variable de fonctionnement d’intérêt peut être sélectionnée par un utilisateur 302 via la GUI 330. La variable de fonctionnement sélectionnée par l’utilisateur 302 peut être, par exemple, au moins l’une parmi ROP et HMSE. Fa ou les variables de fonctionnement sélectionnées par l’utilisateur 302 dans le présent exemple peuvent être utilisées pour surveiller l’efficacité du forage et les tendances dans les performances de l’opération de forage au fur et à mesure du forage du puits de forage à travers la formation. Dans un ou plusieurs modes de réalisation, une visualisation des valeurs estimées de la variable de fonctionnement et/ou des paramètres contrôlables affectant la variable de fonctionnement peut être présentée à l’utilisateur 302 via une fenêtre de visualisation ou une zone de visualisation de contenu de la GUI 330. Fa GUI 330 peut être affichée en utilisant n’importe quel type de dispositif d’affichage (non représenté) couplé au système 300. Un tel dispositif d’affichage peut être, par exemple et sans s’y limiter, un moniteur à tube cathodique (CRT), un afficheur à cristaux liquides (LCD), ou un moniteur à diode électroluminescente (LED). E’utilisateur 302 peut interagir avec la GUI 330 en utilisant dispositif d’entrée (non représenté) couplé au système 300. Fe dispositif d’entrée utilisateur peut être, par exemple et sans limitation, une souris, un clavier QWERTY ou T9, un écran tactile, un stylet ou un autre dispositif à pointeur, une tablette graphique, ou un microphone. Dans certaines mises en œuvre, l’utilisateur 302 peut utiliser les informations affichées via la GUI 330 pour évaluer les performances du forage à chaque stade de l’opération et effectuer n’importe quel ajustement manuel sur le trajet planifié du puits, par exemple, en entrant des commandes appropriées dans un module de commande d’opérations de forage utilisé pour commander les opérations de forage au niveau du site de puits. Cependant, il doit être compris que de tels ajustements peuvent être faits automatiquement par un système de commande automatique pour le site de puits.

2017-IPM-101331-U1-FR 14

Pendant l’opération de forage, des fluides de forage sont pompés dans le puits de forage pour éliminer les déblais produits tandis que le trépan de forage pénètre dans les couches rocheuses souterraines et forme le puits de forage au sein de la formation souterraine. Les principaux aspects physiques et d’ingénierie du procédé de forage peuvent être très complexes et les données de sites de puits collectées au fur et à mesure du forage du puits de forage comprennent souvent une quantité significative de bruit et d’incertitude. Par conséquent, la surface de réponse pour les variables de fonctionnement, tels que ROP et HMSE, a tendance à être non linéaire et discontinue.

Dans un ou plusieurs modes de réalisation, un optimiseur de forage 314 peut utiliser un modèle de réseau de neurones avec une optimisation stochastique pour estimer ou prédire des valeurs optimales à la fois pour la ou les variables de fonctionnement et les paramètres contrôlables sélectionnés de l’opération de forage qui affectent la ou les variables de fonctionnement lors de l’opération. Une telle approche stochastique peut fournir un niveau de précision et une vitesse nécessaires pour mettre en œuvre des applications en temps réelles, par exemple, une modélisation et un géoguidage en temps réel, en une période de temps relativement courte pour optimiser le trajet du puits de forage tandis qu’il est foré dans une région localisée de la formation pendant chaque stade de l’opération de forage. Un exemple de modèle de réseau de neurones avec une optimisation stochastique est présenté sur la figure 4.

Sur la figure 4, un modèle de réseau de neurones 400 peut utiliser une optimisation stochastique pour optimiser au moins une variable de fonctionnement (par exemple, maximiser le ROP et/ou minimiser le HMSE) à chaque stade d’une pluralité de stades 402a,402b, et 402c d’une opération de forage le long d’un trajet de puits 402. Chaque stade peut correspondre à un intervalle ou à une section de trajet depuis 402 le long duquel une partie d’un puits de forage est forée à travers une formation souterraine. Bien que trois stades soient présentés sur la figure 4, il doit être compris que l’opération de forage peut comprendre n’importe quel nombre de stades. Il doit également être compris que chaque stade de l’opération peut être de n’importe quelle longueur ou taille et que l’espacement global des stades le long du trajet de puits 402 peut être personnalisé ou configuré comme souhaité pour une mise en œuvre particulière. Par exemple, dans certaines mises en œuvre, chaque stade de l’opération de forage peut être réalisé sur un intervalle de longueur ou de profondeur prédéterminé (par exemple, 30 pieds) le long du trajet de puits et les stades peuvent être adjacents les uns aux autres.

Bien que l’opération de forage soit réalisée le long du trajet de puits 402, un opérateur de forage ou un système de commande automatique au niveau du site de puits peut ajuster les valeurs d’un ou de plusieurs paramètres contrôlables, par exemple, WOB, Tr/min, et Q,

2017-IPM-101331-U1-FR 15 pour prendre en compte les changements de conditions de forage. La valeur de la variable de fonctionnement peut également changer de réponse aux changements effectués sur les paramètres contrôlables. Par conséquent, la variable de fonctionnement dans ce contexte peut être désignée par variable de réponse et une valeur de la variable de fonctionnement par valeur de réponse. Dans un ou plusieurs modes de réalisation, des données en temps réel comprenant des valeurs de l’instant des paramètres contrôlables peuvent être collectées au niveau du site de puits pendant chaque stade 402a, 402b et 402c. Les données en temps réel peuvent être des données temporelles multidimensionnelles, par exemple, des échantillons de données de forage capturés avec une profondeur pendant une série temporelle, qui peuvent correspondre à la vitesse de forage. Le modèle de réseau de neurones 400 peut être utilisé pour coupler les données de profondeur avec des contraintes non linéaires afin de résoudre la variation temporelle et spatiale de la variable de réponse lors de l’opération de forage.

Dans un ou plusieurs modes de réalisation, les valeurs des paramètres contrôlables associés à un stade de l’instant (par exemple, 402a) de l’opération de forage peuvent être appliquées en tant que variables d’entrée pour entraîner le modèle de réseau de neurones 400 afin de produire une fonction objectif définissant une valeur de réponse pour la variable de fonctionnement à optimiser pour un stade ultérieur (par exemple, 402b et/ou 402c) de l’opération. Par exemple, la fonction objectif peut définir une valeur de réponse pour le ROP en termes de WOB, Tr/min, et Q, telle qu’exprimée en utilisant l’équation (1) :

ROP = f(W0B, RPM, Q) (1)

La fonction objectif dans ce contexte peut être une fonction de coût, qui peut être maximisée ou minimisée en fonction de la variable de fonctionnement d’intérêt particulière, par exemple, maximisée pour le ROP et minimisée pour le HMSE.

Pour prendre en compte n’importe quel niveau élevé de non linéarité et/ou de bruit dans les données en temps réel ou de série temporelles de vitesse de forage, la fonction objectif produite par le modèle de réseau de neurones 400 pour définir la valeur de réponse de la variable de fonctionnement peut être soumise à un ensemble de contraintes non linéaires 410. Les contraintes non linéaires 410 peuvent être dérivées de modèles de données représentant différents aspects de l’opération de forage qui peuvent être associés à certaines valeurs des paramètres contrôlables et qui peuvent avoir une influence sur la valeur de réponse de la variable de fonctionnement à changer au cours de l’opération de forage. Les modèles de données dans cet exemple peuvent comprendre, mais sans s’y limiter, un modèle de couple et de résistance (« T&D ») 412, un modèle de tourbillon 414, et un modèle de fluide de forage (« DMF ») 416.

2017-IPM-101331-U1-FR 16

Dans un ou plusieurs modes de réalisation, des simulations pour déterminer les contraintes appropriées peuvent être réalisées par l’application des données en temps réelle acquises lors de l’opération en tant qu’entrées à chacun de ces modèles. Par exemple, le modèle de couple et de résistance 412 peut être utilisé pour simuler les forces exercées sur le trépan de forage par frottement sur la formation souterraine dans laquelle le puits de forage est formé. Le modèle de couple et de résistance 412 peut donc fournir un seuil sur le WOB afin d’éviter une usure excessive pouvant conduire à la défaillance du trépan de forage ou d’un autre composant de l’ensemble forage fixé à l’extrémité du train de forage. Le modèle de tourbillon 414 peut être utilisé pour simuler les forces de vibration dans le train de forage pouvant provoquer des dommages à certaines valeurs de Tr/min. Comme les valeurs de Tr/min peuvent changer avec la longueur et la profondeur du train de forage, le modèle de tourbillon 414 peut être utilisé pour contraindre les Tr/min dans des plages de valeurs de sécurité afin d’éviter des vibrations excessives à un WOB donné. Le modèle de fluide de forage 416 peut être utilisé pour simuler l’injection d’un fluide de forage (par exemple, une boue) utilisé pour éliminer les déblais ou les débris à partir du puits de forage lors de l’opération de forage. Le ROP du trépan de forage peut être limité par la quantité maximale de débris qui peut être éliminée à partir du puits de forage par l’injection ou le pompage d’un fluide pendant une période de temps donnée. Par conséquent, le modèle de fluide de forage 416 peut fournir une vitesse maximale d’injection ou de pompage de fluide à laquelle un fluide chargé de débris peut être éliminé à partir du puits de forage.

Le modèle de réseau de neurones 400 avec les contraintes appliquées à la fonction objectif, comme décrit ci-dessus, peut ensuite être utilisé pour estimer ou prédire une valeur de réponse pour la variable de fonctionnement à optimiser pour un stade ultérieur de l’opération de forage le long du trajet de puits 402. Dans un ou plusieurs modes de réalisation, une optimisation stochastique, par exemple, une optimisation bayésienne, peut être appliquée à la valeur de réponse afin de produire une valeur de réponse optimisée.

Comme représenté sur la figure 5, une optimisation bayésienne (BO) peut être appliquée de manière itérative afin de restreindre un modèle de réseau de neurones si nécessaire pour satisfaire un critère prédéterminé. Un tel critère peut être, par exemple, un seuil de tolérance d’erreur, et le modèle de réseau de neurones peut être ré-entraîné à chaque fois qu’il est déterminé qu’une différence entre la valeur de réponse estimée et une valeur réelle de la variable de fonctionnement dépasse le seuil. La valeur réelle de la variable de fonctionnement peut être basée sur des données en temps réel supplémentaires acquises lors d’un stade ultérieur de l’opération de forage. Dans un ou plusieurs modes de réalisation, le modèle de réseau de neurones peut réentraîné par l’application de l’optimisation bayésienne à un ou plusieurs hyperparamètres du

2017-IPM-101331-U1-FR 17 modèle. Des exemples de tels hyperparamètres comprennent, mais sans s’y limiter, le nombre de couches du réseau de neurones, le nombre de nœuds dans chaque couche, le taux de décroissance d’apprentissage et n’importe quel autre paramètre qui concerne le comportement et/ou la capacité du modèle.

En retournant la figure 4, la valeur de réponse optimisée produite par le modèle de réseau de neurones 400 peut ensuite être utilisée pour prédire ou estimer des valeurs optimales de paramètres contrôlables 420. Les paramètres contrôlables 420 dans cet exemple peuvent comprendre, mais sans s’y limiter, le WOB 422, la vitesse du trépan de forage (ou Tr/min) 424, et le débit (Q) 426. Le débit 426 peut être la vitesse à laquelle un fluide (par exemple, une boue) est pompé dans le puits de forage.

En retournant au système 300 de la figure 3, les opérations de modélisation et de simulation décrites ci-dessus pour optimiser la valeur de réponse et les valeurs de paramètre contrôlable en utilisant le modèle de réseau de neurones 400 peuvent être réalisées par un optimiseur de forage 314, sur la base des données en temps réel acquises et prétraitées par le gestionnaire de données 312. La valeur et/ou les valeurs de réponse des paramètres contrôlables peuvent être stockées en tant que données de sortie 324 dans la mémoire 320.

Dans un ou plusieurs modes de réalisation, l’optimiseur de forage 314 peut fournir les valeurs estimées des paramètres contrôlables à un dispositif de commande de puits 316 du planificateur de puits 310 pour effectuer un ou plusieurs stades de l’opération de forage au niveau du site de puits. Le dispositif de commande de puits 316 peut fournir les valeurs de paramètres en tant qu’entrées de commande à un outil de géoguidage de fond de puits (non représenté), qui peut être utilisé pour orienter le trépan de forage et le puits de forage le long d’un trajet planifié ou ajusté à travers la formation. Par exemple, le dispositif de commande de puits 316 peut être couplé en communication avec l’outil de géoguidage de fond de puits via une interface de communication (non représentée) sans fil ou câblée (par exemple, une ligne câblée) du système 300. Une telle interface de communication peut être utilisée par le dispositif de commande de puits 316 pour transmettre les valeurs de paramètres contrôlables sous la forme de signaux de commande à l’outil de géoguidage de fond de puits. Les signaux de commande peuvent permettre au dispositif de commande de puits 316 de commander, par exemple, la direction et l’orientation de l’outil de géoguidage et ainsi d’ajuster le trajet planifié du puits lors de l’opération de forage.

Au fur et à mesure que l’opération est effectuée le long du trajet de puits planifié, des données de site de puits supplémentaires peuvent être collectées par un capteur de fond de puits (par exemple, à l’intérieur de l’outil de fond de puits 106 des figures 1 et 2, comme

2017-IPM-101331-U1-FR 18 décrit ci-dessus), des dispositifs de mesure à la surface du puits de forage ou une combinaison des deux. Ces données peuvent comprendre, par exemple et sans s’y limiter, des valeurs de l’instant de paramètres contrôlables, par exemple WOB, Tr/min et Q. Cependant, il doit être compris que les données collectées peuvent également comprendre des mesures de propriétés de formation et d’autres données concernant l’opération de fond de puits en cours. Comme décrit ci-dessus, ces données de site de puits peuvent être obtenues directement ou indirectement par le système 300 via le réseau 304. Dans un ou plusieurs modes de réalisation, l’optimiseur de forage 314 peut utiliser ces données supplémentaires pour actualiser automatiquement et optimiser davantage la valeur de réponse de la variable ou des variables de fonctionnement sélectionnées (par exemple, ROP et/ou HMSE) pour les stades ultérieurs de l’opération le long du trajet de forage.

Dans un ou plusieurs modes de réalisation, le modèle de réseau de neurones utilisé par l’optimiseur de forage 314 afin d’estimer la valeur de réponse de la variable de fonctionnement et les valeurs des paramètres contrôlables, comme décrit ci-dessus, peut être au moins l’un parmi un réseau de neurones à fenêtre glissante (SWNN) ou un réseau de neurones profond récurrent (DNN).

La figure 6 est un schéma d’un réseau de neurones à fenêtre glissante (SWNN) 600 pour prédire les valeurs d’une ou de plusieurs variables de fonctionnement d’une opération de forage le long d’un trajet de puits. Le SWNN 600 peut être utilisé pour prédire une valeur de réponse pour au moins une variable de fonctionnement, par exemple ROP et/ou HMSE. Le SWNN 600 peut être entraîné en utilisant des données de série temporelle à multiples variables acquises lors d’une opération de forage le long du trajet de puits. Ces données de forage peuvent comprendre des données en temps réel échantillonnées sur une fenêtre glissante du SWNN 600, comme représenté sur la figure 6. La fenêtre glissante du SWNN 600 peut être un intervalle d’échantillonnage de n’importe quelle taille ou longueur le long du trajet de puits. Par exemple, la fenêtre glissante peut correspondre à un intervalle de profondeur prédéterminé (par exemple, 30 pieds) que le SWNN 600 peut utiliser pour échantillonner de manière incrémentielle des données en temps réel en faisant glisser la fenêtre le long de la profondeur du puits de forage, par exemple, en déplaçant la position de la fenêtre entre différents incréments de profondeur le long du trajet de puits. La taille de la fenêtre glissante ou de l’intervalle d’échantillonnage peut correspondre à un stade de l’opération de forage ou à une partie d’un stade entier. Dans un ou plusieurs modes de réalisation, les données de forage en temps réel acquises sur une première partie de la fenêtre glissante (par exemple, les 24 premiers pieds) le long du trajet de puits peuvent être utilisées pour entraîner le SWNN 600 et les données acquises sur la partie restante (par exemple, 6 pieds) peuvent

2017-IPM-101331-U1-FR 19 être utilisées pour tester ou valider le modèle entraîné afin de déterminer si un ré-entraînement est nécessaire.

La figure 7 est un schéma d’un réseau de neurones profond récurrent (DNN) 700 ayant une ou plusieurs cellules d’unité récurrente à porte (GRU) pour prédire les valeurs d’une ou de plusieurs variables de fonctionnement d’une opération de forage le long d’un trajet de puits. Cependant, il doit être compris que les modes de réalisation divulgués ne sont pas destinés à être limités aux cellules GRU et que les techniques divulguées peuvent être appliquées en utilisant un DNN récurrent avec d’autres types de cellules, par exemple, des cellules de mémoire court et long terme (LSTM). Comme le SWNN 600 de figure 6, le DNN 700 peut être entraîné en utilisant des données de forage de série temporelle à multiples variables acquises le long du trajet de puits. Une partie des données acquises peut être utilisée pour entraîner le DNN 700, tandis que la partie restante peut être utilisée pour tester et valider le modèle entraîné. Comme représenté sur la figure 7, le DNN 700 dans le présent exemple peut comprendre de multiples cellules GRU dans une configuration empilée, où chaque cellule GRU dans l’empilement peut représenter une couche du DNN 700 dans laquelle le DNN 700 peut être entraîné d’une manière itérative pendant une série d’étapes temporelles.

La figure 8 est un schéma d’une cellule GRU 800 illustrative du DNN 700 représenté sur la figure 7. Les boîtes rectangulaires indiquent les couches dans la cellule GRU 800, qui ont des poids et des biais associés à celle-ci. Les formes circulaires et elliptiques indiquent des opérations mathématiques. Sur la représentation schématique de la cellule GRU 800 telle que représentée sur la figure 8, h_t.i peut être l’état de la cellule ou le ROP de sortie provenant d’une étape temporelle antérieure M, également exprimé par ROPt-i. Le terme xt peut représenter l’entrée à multiples variables pour l’étape temporelle de l’instant, qui comprend le WOB (r_wob,t), Tr/min (r_rpm,f) et Q (r_q,t) provenant des étapes temporelles de l’instant et antérieures dans une fenêtre de recherche prédéfinie de la cellule GRU 800.

La cellule GRU 800 dans le présent exemple peut avoir quatre couches, chacune pouvant avoir des poids et des biais associés à celle-ci. Ces poids et ces biais peuvent être entraînés lors du procédé d’entraînement pour fournir des prédictions optimales de la pression de traitement dans la série temporelle. Les variables/ z, et o peuvent correspondre à des valeurs pour des portes « oublier », « entrer », et « sortir ». Ces portes peuvent impliquer les calculs sur la base d’une fonction sigmoïde (σ), où les valeurs résultantes tombent dans la plage [0, 1]. Les valeurs résultantes peuvent définir la quantité d’informations à transmettre de l’étape temporelle précédente à l’étape temporelle suivante.

2017-IPM-101331-U1-FR 20

Dans un ou plusieurs modes de réalisation, un ensemble d’opérations mathématiques, exprimées par les équations (2) à (6) ci-dessous, peut être effectué pour calculer un état de la cellule GRU 800 ou un ROP de sortie à chaque étape temporelle ζ à savoir, ht (ROPt

):
A lfwob,t Frpm,t ’ ^q,t ]	(2)
^zt = σ(^ζ ’ k-iAi])	(3)
^rt=· [Vi,uD	(4)
	(5)
^ht = +^zt *h_t	(6)
oùROPt indique le ROP prédit à l’étape temporelle Z ; x est l’entrée pour chaque

étape temporelle, qui peut comprendre les valeurs du WOB (r_wob,t\ du Tr/min (r_rpm,f) et du Q (r_q,t) qui sont partagées par toutes les couches empilées ; z_t est le vecteur de porte d’actualisation ; W_zreprésente les poids de la porte d’actualisation ; r_t est le vecteur de porte de réinitialisation ; W_rreprésente les poids de la porte de réinitialisation ; est la sortie de l’équation (5) et sert de valeur intermédiaire utilisée dans l’équation (6) pour calculer la sortie finale ht \ et Wreprésente les poids pour la sortie finale.

En retournant au DNN 700 de la figure 7, les équations (2) à (6) ci-dessus peuvent être utilisées pour calculer un état de chaque cellule GRU ou ROP de sortie (par exemple, une valeur de réponse prédite pour le ROP) à chaque étape temporelle. Dans un ou plusieurs modes de réalisation, l’état de la cellule et le ROP de sortie provenant d’une couche individuelle du DNN 700 peuvent être transmis d’une étape temporelle vers la prochaine dans la même couche et fournir ainsi la base d’une formulation d’entrée à l’étape temporelle suivante. Un ROP prédit final peut être obtenu en combinant les valeurs prédites du ROP provenant de toutes les couches empilées à une étape temporelle donnée. La configuration GRU empilée et d’autres variant du DNN 700 peuvent aider à capturer des variations hautement non linéaires dans les données de série temporelle acquises lors de l’opération de forage. Ceci fait de ces DNN récurrents un choix idéal dans la réduction d’un ROP lors d’un forage, étant donné en particulier la nature hautement non linéaire des séries temporelles ROP.

Dans certaines mises en œuvre, le DNN 700 peut incorporer une architecture à perte d’erreur quadratique et à rétropropagation à travers le temps (BPTT). Un exemple d’une telle architecture de DNN récurrent est présenté sur la figure 9. Sur la figure 9, les données d’entrée pour le DNN récurrent sont passées dans un réseau de neurones à convolution (CNN) pour filtrer le bruit. Une sortie antérieure du DNN, par exemple, une valeur de réponse de la variable de

2017-IPM-101331-U1-FR 21 fonctionnement qui a été estimée lors d’un stade antérieur de l’opération de forage ou qui a été acquise à partir d’une source externe, comme un puits des limites, est passée dans un filtre de bruit, par exemple, un filtre Kalman ou un autoencodeur, pour enlever le bruit des données afin d’éliminer ou au moins de réduire le bruit avant que les données soient entraînées à l’intérieur du DNN et que l’optimisation stochastique, par exemple, l’optimisation bayésienne (BO) décrite cidessus, soit appliquée.

La figure 10 est un schéma d’un procédé illustratif 1000 d’optimisation de paramètres de forage utilisant un modèle de réseau de neurones pour la planification et le contrôle en temps réel pendant différents stades d’une opération de forage le long d’un trajet de puits. À des fins de discussion, le procédé 1000 va être décrit en utilisant le système 300 de la figure 3, tel que décrit ci-dessus. Cependant, il n’est pas prévu que le procédé 1000 soit limité à celui-ci. De plus, à des fins de discussion, un procédé va être décrit en utilisant les systèmes de forage 100 et 200 des figures 1 et 2, respectivement, mais n’est pas destiné à être limité à ceux-ci. Les opérations des blocs 1002, 1004, 1006, 1008, 1010, 1012, 1014, 1016, et 1018 du procédé 1000 peuvent être réalisées, par exemple, par un ou plusieurs composants du planificateur de puits 310 du système 300, comme décrit ci-dessus.

Le procédé 1000 commence au bloc 1002, qui comprend l’acquisition de données en temps réel, notamment des valeurs pour une pluralité de variables d’entrée, pour un stade de l’instant d’une opération de forage le long d’un trajet planifié d’un puits de forage au sein d’une formation souterraine.

Dans le bloc 1004, un modèle de réseau de neurones est entraîné pour produire une fonction objectif définissant une valeur de réponse d’au moins une variable de fonctionnement à optimiser lors de l’opération de forage le long du trajet planifié, sur la base des données en temps réelle acquises dans le bloc 1002. Dans un ou plusieurs modes de réalisation, la variable de fonctionnement peut être sélectionnée par l’utilisateur, par exemple, l’utilisateur 302 du système 300 de la figure 3, comme décrit ci-dessus. Par conséquent, bien que cela ne soit pas représenté sur la figure 10, le bloc 1002 ou 1004 peut également comprendre la réception d’une entrée provenant de l’utilisateur (par exemple, via la GUI 330 de la figure 3) avec la sélection de la variable de fonctionnement par l’utilisateur. La variable de fonctionnement sélectionnée peut être, par exemple et sans s’y limiter, ROP et/ou HMSE.

Dans le bloc 1006, une valeur de réponse pour l’au moins une variable de fonctionnement est estimée, sur la base de la fonction objectif produite par le modèle de réseau de neurones entraîné.

2017-IPM-101331-U1-FR 22

Le procédé 1000 passe ensuite au bloc 1008, qui comprend l’application d’une optimisation bayésienne à la valeur de réponse définie par la fonction objectif de façon que le modèle de réseau de neurones entraîné produise une valeur de réponse optimisée pour l’au moins une variable de fonctionnement.

Dans le bloc 1010, la valeur de réponse optimisée de la variable de fonctionnement est utilisée pour estimer les valeurs d’une pluralité de paramètres contrôlables pour un stade ultérieur de l’opération de forage.

Dans le bloc 1012, le stade ultérieur de l’opération de forage est mis en œuvre sur la base des valeurs estimées de la pluralité de paramètres contrôlables.

Dans le bloc 1014, une valeur réelle de la variable de fonctionnement peut être déterminée lors du stade ultérieur (sur la base de données supplémentaires acquises lors de ce stade) et le procédé 1000 peut passer au bloc 1016.

Le bloc 1016 peut comprendre le fait de déterminer si une différence entre la valeur réelle de l’au moins une variable de fonctionnement et la valeur de réponse, telle qu’estimée et optimisée dans les blocs 1006 et 1008, respectivement, dépasse un seuil de tolérance d’erreur. Quand il est déterminé que la différence dépasse le seuil d’erreur, le procédé 1000 passe au bloc 1018, qui comprend le ré-entraînement du modèle de réseau de neurones par l’application d’une optimisation stochastique (par exemple, une optimisation bayésienne) à un ou plusieurs hyperparamêtres du modèle, comme décrit ci-dessus. Le procédé 1000 retourne ensuite au bloc 1006 et les opérations décrites ci-dessus dans les blocs 1006, 1008, 1010, 1012, 1014 et 1016 peuvent être répétées pour le stade suivant de l’opération de forage en utilisant le modèle de réseau de neurones réentraîné. Autrement, le procédé 1000 peut retourner au bloc 1006 directement à partir du bloc 1016 de sorte que les opérations dans les blocs décrits ci-dessus peuvent être répétées pour le stade suivant de l’opération de forage en utilisant le modèle précédemment entraîné.

Les figures 11 A, 1 IB, 1 IC et 11D sont des graphiques représentant les valeurs de taux de pénétration (ROP) telles que prédites en utilisant un modèle SWNN par rapport aux valeurs ROP réelles le long d’un trajet de puits en fonction de la profondeur. La taille de la fenêtre de glissement du SWNN utilisée pour les prédictions dans l’exemple présenté sur les figures 11A et 1 IB, ainsi que pour l’exemple présenté sur les figures 1 IC et 11D, est supposée être de 30 pieds, où les valeurs des 24 premiers pieds de chaque fenêtre (par exemple, comme représenté sur chacune des figures 11A et 11C) sont utilisées pour entraîner le SWNN et les valeurs pour les prochains ou derniers 6 pieds de la fenêtre (comme représenté sur chacune des figures 1 IB et 11D) sont utilisées pour tester les prédictions du modèle et ré-entraîner le modèle si nécessaire. Il peut également être supposé dans le cadre du présent exemple qu’aucun ré-entraînement du SWNN n’a

2017-IPM-101331-U1-FR 23 été nécessaire, par exemple, parce que les prédictions produites par le SWNN satisfont le critère de ré-entraînement ou le seuil de tolérance d’erreur. Par exemple, le critère de ré-entraînement ou le seuil d’erreur peut être une valeur d’erreur quadratique moyenne spécifiée (par exemple, 0,2) et la différence entre une valeur réelle de la variable de fonctionnement et la valeur de réponse prédite en utilisant le SWNN peut être inférieure à cette valeur d’erreur quadratique moyenne .

Les figures 12A et 12B sont des graphiques représentant une comparaison entre des valeurs ROP prédites et des valeurs ROP réelles normalisées le long d’un trajet de puits sur une profondeur (par exemple, en pied), où les valeurs prédites sont basées sur un DNN récurrent avec ou sans un filtre de bruit, respectivement. Comme le montre le graphique sur chacune des figures 12A et 12B, les valeurs prédites ont tendance à être plus proches des valeurs réelles quand un filtre de bruit, par exemple, un filtre de Kalman ou un autoencodeur de débruitage, est utilisé. L’utilisation d’un tel filtre pour produire des prédictions plus précises de ROP dans le présent exemple peut également indiquer qu’un certain nombre de variables d’entrée peuvent être inconnues ou manquantes. Par conséquent, la précision et/ou l’efficacité du modèle DNN pour produire la réponse ROP dans le présent exemple peuvent être davantage améliorées en augmentant le nombre de variables d’entrées qui sont utilisées pour entraîner ou ré-entraîner de manière appropriée le modèle. Par exemple, le modèle peut être ré-entraîné en utilisant des variables d’entrée supplémentaires, par exemple, des propriétés de réservoir ou d’autres informations concernant les caractéristiques de la formation souterraine, qui peuvent affecter le ROP lors d’une opération de forage.

Bien que les divers modes de réalisation soient décrits dans le présent document dans le contexte de systèmes informatiques de surface, il doit être noté que les techniques de modélisation et d’optimisation de paramètre divulguées ne sont pas destinées à être limitées à ceux-ci. Dans un ou plusieurs modes de réalisation, une partie ou la totalité des calculs concernant la variable de fonctionnement et/ou les paramètres contrôlables peut être réalisée par un processeur à l’intérieur d’un outil de fond de puits disposé à l’intérieur du puits de forage à proximité du trépan de forage. Par exemple, le module de télémétrie 124 des figures 1 et 2, tel que décrit cidessus, peut comprendre un système informatique pour effectuer de tels calculs de fond de puits. Le module de télémétrie 124 peut comprendre un système d’encodage, comme un générateur d’impulsions de boue, pour communiquer (par exemple, par télémétrie) une partie ou la totalité des résultats des calculs vers les systèmes informatiques de surface. Dans les cas où la commande du paramètre opérationnel est automatisée, le module de télémétrie 124 ou un autre système informatique de fond de puits (par exemple, un outil de géoguidage de fond de puits) couplé à celui-ci peut être utilisé pour commander ou changer un ou plusieurs paramètres contrôlables (par

2017-IPM-101331-U1-FR 24 exemple, les Tr/min ou la vitesse du moteur à boue 112, le WOB, et/ou l’injection/le débit d’un fluide).

La figure 13 est un schéma de principe d’un système informatique 1300 illustratif dans lequel des modes de réalisation de la présente divulgation peuvent être mis en œuvre. Par exemple, le procédé 1000 de la figure 10 et les fonctions mises en œuvre par le système 300 (notamment le planificateur de puits 310) de la figure 3, tel que décrit ci-dessus, peuvent être mis en œuvre en utilisant un système 1300. Un système 1300 peut être un ordinateur, un téléphone, un PD A, ou n’importe quel autre type de dispositif électronique. Un tel dispositif électronique comprend divers types de supports lisibles par ordinateur et d’interfaces pour divers autres types de supports lisibles par ordinateur. Comme montré dans la figure 13, le système 1300 comprend un dispositif de stockage permanent 1302, une mémoire système 1304, une interface de dispositif de sortie 1306, un bus de communication système 1308, une mémoire morte (ROM) 1310, une ou plusieurs unités de traitement 1312, une interface de dispositif d’entrée 1314, et une interface de réseau 1316.

Un bus 1308 représente collectivement tous les bus systèmes, périphériques et de jeu de puces qui connectent de manière communicative les nombreux dispositifs internes du système 1300. Par exemple, un bus 1308 connecte de manière communicative une ou plusieurs unités de traitement 1312 avec une ROM 1310, une mémoire système 1304 et un dispositif de stockage permanent 1302.

A partir de ces diverses unités de mémoire, une ou plusieurs unités de traitement 1312 extraient des instructions à exécuter et des données à traiter afin d’exécuter les processus de la présente divulgation. Une ou plusieurs unités de traitement peuvent être un unique processeur ou un processeur multi-cœur dans différentes mises en œuvre.

Une ROM 1310 stocke des données et des instructions qui sont nécessaires pour une ou plusieurs unités de traitement 1312 et d’autres modules d’un système 1300. Par ailleurs, un dispositif de stockage permanent 1302 est un dispositif de mémoire à lecture et écriture. Ce dispositif est une unité de mémoire non volatile qui stocke des instructions et des données même quand un système 1300 est hors tension. Certaines mises en œuvre de la présente divulgation utilisent un dispositif de stockage de masse (comme un disque magnétique ou optique et son lecteur de disque correspondant) comme dispositif de stockage permanent 1302.

D’autres mises en œuvre utilisent un dispositif de stockage amovible (comme une disquette, un disque à mémoire flash et son lecteur de disque correspondant) comme dispositif de stockage permanent 1302. Tout comme un dispositif de stockage permanent 1302, une mémoire système 1304 est un dispositif de mémoire à lecture et écriture. Cependant,

2017-IPM-101331-U1-FR 25 contrairement au dispositif de stockage 1302, la mémoire système 1304 est une mémoire volatile à lecture et écriture, telle qu’une mémoire vive. Une mémoire système 1304 stocke certaines des instructions et des données dont le processeur a besoin au moment de l’exécution. Dans certaines mises en œuvre, les processus de la présente divulgation sont stockés dans une mémoire système 1304, un dispositif de stockage permanent 1302 et/ou une ROM 1310. Par exemple, les diverses unités de mémoire incluent des instructions pour une conception de train de tuyaux assistée par ordinateur sur la base de conceptions de trains existantes selon certaines mises en œuvre. A partir de ces diverses unités de mémoire, une ou plusieurs unités de traitement 1312 extraient des instructions à exécuter et des données à traiter afin d’exécuter les processus de certaines mises en œuvre.

Un bus 1308 se connecte également à des interfaces de dispositif d’entrée et de sortie 1314 et 1306. Une interface de dispositif d’entrée 1314 permet à l’utilisateur de communiquer des informations et de sélectionner des commandes au système 1300. Des dispositifs d’entrée utilisés avec une interface de dispositif d’entrée 1314 comprennent, par exemple, un clavier alphanumérique, QWERTY ou T9, des microphones et des dispositifs de pointage (également appelés « dispositifs de commande de curseur »). Des interfaces de dispositif de sortie 1306 permettent, par exemple, l’affichage d’images générées par le système 1300. Des dispositifs de sortie utilisés avec une interface de dispositif de sortie 1306 incluent, par exemple, des imprimantes et des dispositifs d’affichage, tels que des écrans à tube cathodique (CRT) ou à cristaux liquides (ECD). Certaines mises en œuvre comprennent des dispositifs, tels qu’un écran tactile, jouant le rôle à la fois de dispositifs d’entrée et de sortie. Il sera compris que des modes de réalisation de la présente divulgation peuvent être mis en œuvre en utilisant un ordinateur incluant un quelconque de divers types de dispositifs d’entrée et de sortie pour permettre une interaction avec un utilisateur. Une telle interaction peut comprendre une rétroaction vers ou à partir de l’utilisateur sous différentes formes de rétroaction sensorielle telles que, mais sans s’y limiter, une rétroaction visuelle, une rétroaction auditive ou une rétroaction tactile. En outre, une entrée provenant de l’utilisateur peut être reçue sous n’importe quelle forme telle que, mais sans s’y limiter, une entrée acoustique, vocale ou tactile. En outre, une interaction avec l’utilisateur peut inclure une transmission et une réception de différents types d’informations, par exemple sous la forme de documents, vers ou depuis l’utilisateur par l’intermédiaire des interfaces décrites cidessus.

De plus, comme montré dans la figure 13, un bus 1308 couple également un système 1300 à un réseau public ou privé (non montré) ou à une combinaison de réseaux par l’intermédiaire d’une interface réseau 1316. Un tel réseau peut inclure, par exemple, un réseau

2017-IPM-101331-U1-FR 26 local (« LAN »), comme un intranet, ou un réseau étendu (« WAN »), comme Internet. Tout ou une partie des composants d’un système 1300 peut être utilisée conjointement avec la présente divulgation.

Ces fonctions décrites ci-dessus peuvent être mises en œuvre dans un circuit électronique numérique, dans un logiciel informatique, un micrologiciel ou un matériel. Les techniques peuvent être mises en œuvre en utilisant un ou plusieurs produits de programme informatique. Des processeurs et ordinateurs programmables peuvent être inclus dans des dispositifs mobiles ou conditionnés sous la forme de dispositifs mobiles. Les processus et les flux logiques peuvent être effectués par un ou plusieurs processeurs programmables et par un ou plusieurs circuits logiques programmables. Des dispositifs informatiques et des dispositifs de stockage à application générale ou spécifique peuvent être interconnectés par l’intermédiaire de réseaux de communication.

Certaines mises en œuvre comprennent des composants électroniques, comme des microprocesseurs, un stockage et une mémoire qui stockent des instructions de programme informatique sur un support lisible par une machine ou un ordinateur (désigné autrement par support de stockage lisible par ordinateur, support lisible par une machine, ou support de stockage lisible par une machine). Certains exemples de tels supports lisibles par ordinateur comprennent une RAM, une ROM, des disques compacts à lecture seule (CD-ROM), des disques compacts enregistrables (CD-R), des disques compacts réinscriptibles (CD-RW), des disques numériques polyvalents à lecture seule (par exemple, un DVD-ROM, un DVD-ROM double couche), divers DVD enregistrables/réinscriptibles (par exemple, un DVD-RAM, un DVD-RW, un DVD+RW, etc.), une mémoire flash (par exemple, des cartes SD, des mini-cartes SD, des micro-cartes SD, etc.), des disques durs magnétiques et/ou à l’état solide, des disques Blu-Ray® à lecture seule et enregistrables, des disques optiques à ultra-densité, n’importe quel autre support optique ou magnétique, et des disquettes. Le support lisible par ordinateur peut stocker un programme informatique qui est exécutable par au moins une unité de traitement et qui inclut des ensembles d’instructions pour effectuer diverses opérations. Des exemples de programmes informatiques ou de codes informatiques incluent un code machine, tel que produit par un compilateur, et des fichiers comprenant un code de niveau plus élevé qui sont exécutés par un ordinateur, un composant électronique, ou un microprocesseur utilisant un interprète.

Bien que la discussion ci-dessus fasse principalement référence à un microprocesseur ou à des processeurs multi-cœur qui exécutent un logiciel, certaines mises en œuvre sont effectuées par un ou plusieurs circuits intégrés, comme des circuits intégrés à application spécifique (ASIC) ou des circuits intégrés prédiffusés programmables (FPGA). Dans

2017-IPM-101331-U1-FR 27 certaines mises en œuvre, de tels circuits intégrés exécutent des instructions qui sont stockées sur le circuit lui-même. En conséquence, le procédé 1000 de la figure 10 et les fonctions et opérations réalisées par le système 300 de la figure 3, comme décrit ci-dessus, peuvent être mis en œuvre en utilisant un système 1300 ou n’importe quel système informatique ayant un circuit de traitement ou un produit de programme informatique incluant des instructions stockées sur celui-ci, qui, quand elles sont exécutées par au moins un processeur, amènent le processeur à effectuer des fonctions en rapport avec ces procédés.

Tels qu’utilisés dans le présent mémoire et dans l’une quelconque des revendications de la présente demande, les termes « ordinateur », « serveur », « processeur », et « mémoire » font tous référence à des dispositifs électroniques ou à d’autres dispositifs technologiques. Ces termes excluent les personnes ou les groupes de personnes. Tels qu’utilisés ici, les termes « support lisible par ordinateur » et « supports lisibles par ordinateur » font généralement référence à des supports électroniques de stockage tangibles, physiques, et non transitoires qui stockent des informations sous une forme qui peut être lue par un ordinateur.

Des modes de réalisation du sujet décrit dans le présent mémoire peuvent être mis en œuvre dans un système informatique qui inclut un composant d’arrière-plan, par ex., un serveur de données, ou qui inclut un composant intergiciel, par ex., un serveur d’application, ou qui inclut un composant frontal, par ex., un ordinateur client ayant une interface utilisateur graphique ou un navigateur Web grâce auquel un utilisateur peut interagir avec une mise en œuvre du sujet décrit dans le présent mémoire, ou n’importe quelle combinaison d’un ou de plusieurs de ces intergiciels, composants d’arrière-plan, ou frontaux. Les composants du système peuvent être interconnectés par n’importe quelle forme ou n’importe quel support de communication de données numérique, par exemple un réseau de communication. Des exemples de réseaux de communication comprennent un réseau local (« LAN ») et un réseau étendu (« WAN »), un interréseaux (par exemple, Internet) et des réseaux pair-à-pair (par exemple, des réseaux pair-à-pair ad hoc).

Le système informatique peut inclure des clients et des serveurs. Un client et un serveur sont généralement éloignés l’un de l’autre et interagissent traditionnellement par l’intermédiaire d’un réseau de communication. La relation entre le client et le serveur découle de programmes informatiques fonctionnant sur les ordinateurs respectifs et présentant une relation client-serveur l’un par rapport à l’autre. Dans certains modes de réalisation, un serveur transmet des données (par ex., une page Web) à un dispositif client (par ex., à des fins d’affichage de données pour et recevoir une entrée utilisateur provenant d’un utilisateur interagissant avec le

2017-IPM-101331-U1-FR 28 dispositif client). Des données générées au niveau du dispositif client (par ex., un résultat de l’interaction utilisateur) peuvent être reçues depuis le dispositif client au niveau du serveur.

Il est entendu que n’importe quel ordre ou hiérarchie spécifique d’étapes dans les processus divulgués est une illustration d’exemples d’approches. Sur la base de préférences de conception, il est entendu que l’ordre ou la hiérarchie spécifique des étapes dans les processus peut être réarrangé, ou que toutes les étapes illustrées peuvent être effectuées. Certaines de ces étapes peuvent être effectuées simultanément. Par exemple, dans certaines circonstances, un traitement multitâche et parallèle peut être avantageux. De plus, il doit être compris que la séparation des divers composants des systèmes dans les modes de réalisation décrits ci-dessus n’est pas nécessaire dans tous les modes de réalisation, et il doit être compris que les composants de programme et les systèmes décrits peuvent généralement être intégrés ensemble dans un unique produit logiciel ou conditionnés dans de multiples produits logiciels.

De plus, les exemples de méthodologies décrits ici peuvent être mis en œuvre par un système incluant un circuit de traitement ou un produit de programme incluant des instructions qui, lorsqu’exécutées par au moins un processeur, amènent le processeur à effectuer une quelconque des méthodologies décrites ici.

Comme décrit ci-dessus, des modes de réalisation de la présente divulgation sont particulièrement utiles pour l’optimisation en temps réel de paramètres lors d’opérations de forage. Dans un mode de réalisation de la présente divulgation, un procédé mis en œuvre par ordinateur d’optimisation des paramètres d’opérations de forage comprend : l’acquisition de données en temps réel comprenant des valeurs pour une pluralité de variables d’entrée associées à un stade de l’instant d’une opération de forage le long d’un trajet planifié d’un puits de forage au sein d’une formation souterraine ; l’entraînement d’un modèle de réseau de neurones pour produire une fonction objectif définissant une valeur de réponse pour au moins une variable de fonctionnement à optimiser lors de l’opération de forage le long du trajet planifié, sur la base des données en temps réelle acquises ; l’estimation de la valeur de réponse pour l’au moins une variable de fonctionnement, sur la base de la fonction objectif produite par le modèle de réseau de neurones entraîné ; l’application d’une optimisation stochastique à la valeur de réponse estimée afin de produire une valeur de réponse optimisée pour l’au moins une variable de fonctionnement ; l’estimation des valeurs d’une pluralité de paramètres contrôlables pour un stade ultérieur de l’opération de forage, sur la base de la valeur de réponse optimisée de l’au moins une variable de fonctionnement ; et la mise en œuvre du stade ultérieur de l’opération de forage sur la base des valeurs estimées de la pluralité de paramètres contrôlables. Dans un autre mode de réalisation de la présente divulgation, un support de stockage lisible par ordinateur ayant des instructions

2017-IPM-101331-U1-FR 29 stockées dans celui-ci est divulgué, dans lequel les instructions, lorsqu’exécutées par un ordinateur, amènent l’ordinateur à effectuer une pluralité de fonctions, notamment des fonctions pour : acquérir des données en temps réel comprenant des valeurs pour une pluralité de variables d’entrée associées à un stade de l’instant d’une opération de forage le long d’un trajet planifié d’un puits de forage au sein d’une formation souterraine ; entraîner un modèle de réseau de neurones pour produire une fonction objectif définissant une valeur de réponse pour au moins une variable de fonctionnement à optimiser lors de l’opération de forage le long du trajet planifié, sur la base des données en temps réelle acquises ; estimer la valeur de réponse pour l’au moins une variable de fonctionnement, sur la base de la fonction objectif produite par le modèle de réseau de neurones entraîné ; appliquer une optimisation stochastique à la valeur de réponse estimée afin de produire une valeur de réponse optimisée pour l’au moins une variable de fonctionnement ; estimer les valeurs d’une pluralité de paramètres contrôlables pour un stade ultérieur de l’opération de forage, sur la base de la valeur de réponse optimisée de l’au moins une variable de fonctionnement ; et mettre en œuvre le stade ultérieur de l’opération de forage sur la base des valeurs estimées de la pluralité de paramètres contrôlables.

Dans un ou plusieurs modes de réalisation du procédé et/ou support de stockage lisible par ordinateur précédents : l’au moins une variable de fonctionnement est au moins l’une parmi un taux de pénétration (ROP) ou une énergie spécifique hydraulique mécanique (HMSE), l’optimisation stochastique est une optimisation bayésienne, et la valeur de réponse optimisée est au moins l’une parmi une valeur maximale pour le ROP ou une valeur minimale pour le HMSE ; les valeurs pour la pluralité de variables d’entrée sont des valeurs initiales pour la pluralité de paramètres contrôlables associées au stade de l’instant de l’opération de forage ; la pluralité de paramètres contrôlables comprend la charge sur le trépan (WOB), une vitesse de rotation d’un trépan de forage, et une vitesse de pompage de fluide de forage ; le modèle de réseau de neurones est un réseau de neurones à fenêtre glissante (SWNN) ; le modèle de réseau de neurones est un réseau de neurones profond récurrent (DNN) ; et le DNN récurrent comprend au moins l’une parmi une cellule d’unité récurrente à porte (GRU) ou une cellule de mémoire court et long terme (LSTM). En outre, un ou plusieurs modes de réalisation du procédé et/ou support de stockage lisible par ordinateur précédents peuvent inclure un quelconque ou une quelconque combinaison des éléments, fonctions ou opérations supplémentaires suivants : la détermination d’une valeur réelle de l’au moins une variable de fonctionnement lors du stade ultérieur de l’opération de forage ; le fait de déterminer si une différence entre la valeur réelle et la valeur estimée de l’au moins une variable de fonctionnement dépasse une tolérance d’erreur, et le ré-entraînement du modèle de réseau de neurones quand il est déterminé que la différence dépasse la tolérance

2017-IPM-101331-U1-FR 30 d’erreur ; un ré-entraînement par l’application d’une optimisation bayésienne à un ou plusieurs hyperparamètres du modèle de réseau de neurones ; un entraînement par filtrage du bruit provenant des données en temps réel et un entraînement du DNN récurrent sur la base des données en temps réel filtrées ; et un filtrage par l’application des données en temps réel en tant qu’entrée à un réseau de neurones à convolution et le passage des données de sortie comprenant une valeur de réponse précédemment estimée de l’au moins une variable de fonctionnement à travers un filtre de Kalman, et l’entraînement du DNN récurrent par l’entraînement du DNN récurrent sur la base d’une sortie du réseau de neurones à convolution et d’une sortie du filtre de Kalman.

Dans encore un autre mode de réalisation de la présente divulgation, un système comprend au moins un processeur et une mémoire couplée au processeur qui présente des instructions stockées dans celle-ci, qui quand elles sont exécutées par le processeur, amènent le processeur à mettre en œuvre des fonctions comprenant des fonctions pour : acquérir des données en temps réel comprenant des valeurs pour une pluralité de variables d’entrée associées à un stade de l’instant d’une opération de forage le long d’un trajet planifié d’un puits de forage au sein d’une formation souterraine ; entraîner un modèle de réseau de neurones pour produire une fonction objectif définissant une valeur de réponse pour au moins une variable de fonctionnement à optimiser lors de l’opération de forage le long du trajet planifié, sur la base des données en temps réelle acquises ; estimer la valeur de réponse pour l’au moins une variable de fonctionnement, sur la base de la fonction objectif produite par le modèle de réseau de neurones entraîné ; appliquer une optimisation stochastique à la valeur de réponse estimée afin de produire une valeur de réponse optimisée pour l’au moins une variable de fonctionnement ; estimer les valeurs d’une pluralité de paramètres contrôlables pour un stade ultérieur de l’opération de forage, sur la base de la valeur de réponse optimisée de l’au moins une variable de fonctionnement ; et mettre en œuvre le stade ultérieur de l’opération de forage sur la base des valeurs estimées de la pluralité de paramètres contrôlables.

Dans un ou plusieurs modes de réalisation du système précédent : l’au moins une variable de fonctionnement est au moins l’une parmi un taux de pénétration (ROP) ou une énergie spécifique hydraulique mécanique (HMSE), l’optimisation stochastique est une optimisation bayésienne, et la valeur de réponse optimisée est au moins l’une parmi une valeur maximale pour le ROP ou une valeur minimale pour le HMSE ; les valeurs pour la pluralité de variables d’entrée sont des valeurs initiales pour la pluralité de paramètres contrôlables associées au stade de l’instant de l’opération de forage ; la pluralité de paramètres contrôlables comprend la charge sur le trépan (WOB), une vitesse de rotation d’un trépan de forage, et une vitesse de pompage de fluide de forage ; le modèle de réseau de neurones est un réseau de neurones à fenêtre

2017-IPM-101331-U1-FR 31 glissante (SWNN) ; le modèle de réseau de neurones est un réseau de neurones profond récurrent (DNN) ; et le DNN récurrent comprend au moins l’une parmi une cellule d’unité récurrente à porte (GRU) ou une cellule de mémoire court et long terme (LSTM). En outre, dans un ou plusieurs modes de réalisation du système précédent, les fonctions mises en œuvre par le processeur peuvent comprendre en outre des fonctions pour : déterminer une valeur réelle de l’au moins une variable de fonctionnement lors du stade ultérieur de l’opération de forage ; déterminer si une différence entre la valeur réelle et la valeur estimée de l’au moins une variable de fonctionnement dépasse une tolérance d’erreur ; ré-entraîner le modèle de réseau de neurones quand il est déterminé que la différence dépasse la tolérance d’erreur ; appliquer une optimisation bayésienne à un ou plusieurs hyperparamètres du modèle de réseau de neurones ; fdtrer le bruit provenant des données en temps réel ; entraîner le DNN récurrent sur la base des données en temps réel filtrées ; appliquer les données en temps réel en tant qu’entrée à un réseau de neurones à convolution ; passer les données de sortie comprenant une valeur de réponse précédemment estimée de l’au moins une variable de fonctionnement à travers un filtre de Kalman ; et entraîner le DNN récurrent sur la base d’une sortie du réseau de neurones à convolution et d’une sortie du filtre de Kalman.

Bien que des détails spécifiques sur les modes de réalisation susmentionnés aient été décrits, les descriptions précédentes de matériel et de logiciel sont simplement des exemples de modes de réalisation et ne sont pas destinées à limiter la structure ou une mise en œuvre des modes de réalisation divulgués. Par exemple, bien que de nombreux autres composants internes du système 1300 ne soient pas montrés, le spécialiste ordinaire du domaine comprendra que ces composants et leur interconnexion sont bien connus.

De plus, certains aspects des modes de réalisation divulgués, comme indiqué ci-dessus, peuvent être mis en œuvre dans un logiciel qui est exécuté en utilisant une ou plusieurs unités/composants de traitement. Des aspects de programme de la technologie peuvent être pensés comme des « produits » ou des « articles de manufacture » traditionnellement sous la forme d’un code exécutable et/ou de données associées qui sont portés ou mis en œuvre dans un type de support lisible par machine. Des supports de type « stockage » non transitoires tangibles incluent tout ou une partie de la mémoire ou d’un autre dispositif de stockage pour les ordinateurs, des processeurs ou analogues, ou des modules associés de ceux-ci, tels que diverses mémoires à semiconducteur, des lecteurs de bande, des lecteurs de disques, des disques optiques ou magnétiques, et analogues, qui peuvent fournir un stockage à tout moment pour la programmation de logiciel.

De plus, le schéma de procédé et les schémas fonctionnels dans les figures illustrent l’architecture, la fonctionnalité, et le fonctionnement de mises en œuvre possibles de systèmes, de procédés et de produits de programme d’ordinateur selon divers modes de réalisation

2017-IPM-101331-U1-FR 32 de la présente divulgation. Il convient également de noter que, dans certaines mises en œuvre alternatives, les fonctions notées dans le bloc peuvent survenir dans un ordre différent de celui noté dans les figures. Par exemple, deux blocs montrés à la suite peuvent, en réalité, être exécutés sensiblement en même temps, ou les blocs peuvent parfois être exécutés en ordre inverse, en fonction de la fonctionnalité concernée. Il conviendra également de noter que chaque bloc des schémas fonctionnels et/ou des schémas de procédé illustratifs, et des combinaisons de blocs dans les schémas fonctionnels et/ou des schémas de procédé illustratifs, peuvent être mis en œuvre par des systèmes basés sur un matériel spécialisé qui effectue les fonctions ou actions spécialisées, ou des combinaisons de matériel spécialisé et d’instructions d’ordinateur.

Les exemples de modes de réalisation spécifiques ci-dessus ne sont pas destinés à limiter la portée des revendications. Les exemples de modes de réalisation peuvent être modifiés par inclusion, exclusion, ou combinaison d’une ou de plusieurs spécificités ou fonctions décrites dans la divulgation.

Telles qu’utilisées ici, les formes singulières « un », « une », « le » et « la » sont également destinées à inclure les formes plurielles sauf si le contexte indique clairement le contraire. Il sera en outre entendu que les termes « comprend » et/ou « comprenant », lorsqu’utilisés dans le présent mémoire et/ou les revendications, indiquent la présence de spécificités, d’entiers, d’étapes, d’opérations, d’éléments et/ou de composants indiqués, mais n’empêchent pas la présence ou l’ajout d’une ou de plusieurs autres spécificités, entier, étapes, opérations, éléments, composants, et/ou groupes de ceux-ci. Les structures, les matériaux, les actions correspondantes, et les équivalents de tout moyen ou étape plus éléments de fonction dans les revendications plus bas sont destinés à inclure toute structure, matériau, ou action pour effectuer la fonction en combinaison avec d’autres éléments revendiqués comme spécifiquement revendiqués. La description de la présente divulgation a été présentée à des fins illustratives et descriptives, mais elle n’est pas destinée à être exhaustive ou à se limiter aux modes de réalisation dans la forme divulguée. De nombreuses modifications et variations seront évidentes pour le spécialiste ordinaire du domaine sans s’éloigner de la portée et de l’esprit de la divulgation. Les modes de réalisation illustratifs décrits ici sont fournis pour expliquer les principes de la divulgation et l’application pratique de ceux-ci, et pour permettre à d’autres hommes du métier de comprendre que les modes de réalisation divulgués peuvent être modifiés comme cela est souhaité pour une mise en œuvre ou une utilisation particulière. La portée des revendications est destinée à couvrir largement les modes de réalisation divulgués et toute modification de ce type.

Claims

REVENDICATIONS

LES REVENDICATIONS PORTENT SUR CE QUI SUIT :

1. Procédé mis en œuvre par ordinateur d’une optimisation de paramètres pour des opérations de forage, le procédé comprenant :

l’acquisition de données en temps réel comprenant des valeurs pour une pluralité de variables d’entrée associées à un stade de l’instant d’une opération de forage le long d’un trajet planifié d’un puits de forage au sein d’une formation souterraine ;

l’entraînement d’un modèle de réseau de neurones pour produire une fonction objectif définissant une valeur de réponse pour au moins une variable de fonctionnement à optimiser lors de l’opération de forage le long du trajet planifié, sur la base des données en temps réelle acquises ;

l’estimation de la valeur de réponse pour l’au moins une variable de fonctionnement, sur la base de la fonction objectif produite par le modèle de réseau de neurones entraîné ;

l’application d’une optimisation stochastique à la valeur de réponse estimée afin de produire une valeur de réponse optimisée pour l’au moins une variable de fonctionnement ;

l’estimation des valeurs d’une pluralité de paramètres contrôlables pour un stade ultérieur de l’opération de forage, sur la base de la valeur de réponse optimisée de l’au moins une variable de fonctionnement ; et la mise en œuvre du stade ultérieur de l’opération de forage sur la base des valeurs estimées de la pluralité de paramètres contrôlables.
2. Procédé selon la revendication 1, dans lequel l’au moins une variable de fonctionnement est au moins l’une parmi un taux de pénétration (ROP) ou une énergie spécifique hydraulique mécanique (HMSE), l’optimisation stochastique est une optimisation bayésienne, et la valeur de réponse optimisée est au moins l’une parmi une valeur maximale pour le ROP ou une valeur minimale pour le HMSE ; ou dans lequel les valeurs pour la pluralité de variables d’entrée sont des valeurs initiales pour la pluralité de paramètres contrôlables associées au stade de l’instant de l’opération de forage ; ou dans lequel la pluralité de paramètres contrôlables comprend la charge sur le trépan (WOB), une vitesse de rotation d’un trépan de forage, et une vitesse de pompage de fluide de forage.

2017-IPM-101331-U1-FR
3. Procédé selon la revendication 1 ou 2, comprenant en outre :

la détermination d’une valeur réelle de l’au moins une variable de fonctionnement lors du stade ultérieur de l’opération de forage ;

le fait de déterminer si une différence entre la valeur réelle et la valeur estimée de l’au moins une variable de fonctionnement dépasse une tolérance d’erreur ; et quand il est déterminé que la différence dépasse la tolérance d’erreur, le réentraînement du modèle de réseau de neurones.
4. Procédé selon la revendication 3, dans lequel le ré-entraînement comprend :

l’application d’une optimisation bayésienne à un ou plusieurs hyperparamètres du modèle de réseau de neurones.
5. Procédé selon une quelconque revendication précédente, dans lequel le modèle de réseau de neurones est au moins l’un parmi un réseau de neurones à fenêtre glissante (SWNN) ou un réseau de neurones profond récurrent (DNN) ; et facultativement, dans lequel le DNN récurrent comprend au moins l’une parmi une cellule d’unité récurrente à porte (GRU) ou une cellule de mémoire court et long terme (LSTM).
6. Procédé selon la revendication 5, dans lequel l’entraînement comprend :

le filtrage du bruit provenant des données en temps réel ; et l’entraînement du DNN récurrent sur la base des données en temps réel filtrées.
7. Procédé selon la revendication 6, dans lequel le filtrage comprend :

l’application des données en temps réel en tant qu’entrée à un réseau de neurones à convolution ; et le passage des données de sortie comprenant une valeur de réponse précédemment estimée de l’au moins une variable de fonctionnement à travers un filtre de Kalman ; et dans lequel l’entraînement du DNN récurrent comprend :

2017-IPM-101331-U1-FR 35 l’entraînement du DNN récurrent sur la base d’une sortie du réseau de neurones à convolution et d’une sortie du filtre de Kalman.
8. Système comprenant :

au moins un processeur ; et une mémoire couplée au processeur présentant des instructions stockées dedans, qui quand elles sont exécutées par le processeur, amènent le processeur à mettre en œuvre une pluralité de fonctions, notamment des fonctions pour :

acquérir des données en temps réel comprenant des valeurs pour une pluralité de variables d’entrée associées à un stade de l’instant d’une opération de forage le long d’un trajet planifié d’un puits de forage au sein d’une formation souterraine ;

entraîner un modèle de réseau de neurones pour produire une fonction objectif définissant une valeur de réponse pour au moins une variable de fonctionnement à optimiser lors de l’opération de forage le long du trajet planifié, sur la base des données en temps réelle acquises ;

estimer la valeur de réponse pour l’au moins une variable de fonctionnement, sur la base de la fonction objectif produite par le modèle de réseau de neurones entraîné ;

appliquer une optimisation stochastique à la valeur de réponse estimée afin de produire une valeur de réponse optimisée pour l’au moins une variable de fonctionnement ;

estimer les valeurs d’une pluralité de paramètres contrôlables pour un stade ultérieur de l’opération de forage, sur la base de la valeur de réponse optimisée de l’au moins une variable de fonctionnement ; et mettre en œuvre le stade ultérieur de l’opération de forage sur la base des valeurs estimées de la pluralité de paramètres contrôlables.
9. Système selon la revendication 8, dans lequel l’au moins une variable de fonctionnement est au moins l’une parmi un taux de pénétration (ROP) ou une énergie spécifique hydraulique mécanique (HMSE), l’optimisation stochastique est une optimisation bayésienne, et la valeur de réponse optimisée est au moins l’une parmi une valeur maximale pour le ROP ou une valeur minimale pour le HMSE ; ou dans lequel les valeurs pour la pluralité de variables d’entrée sont des valeurs initiales pour la pluralité de paramètres contrôlables associées au stade de l’instant de l’opération de forage, et la pluralité de paramètres contrôlables comprend la charge sur le trépan (WOB), une vitesse de rotation d’un trépan de forage, et une vitesse de pompage de fluide de forage.

2017-IPM-101331-U1-FR
10. Système selon la revendication 8 ou 9, dans lequel les fonctions mises en œuvre par le processeur comprennent en outre des fonctions pour :

déterminer une valeur réelle de l’au moins une variable de fonctionnement lors du stade ultérieur de l’opération de forage ;

déterminer si une différence entre la valeur réelle et la valeur estimée de l’au moins une variable de fonctionnement dépasse une tolérance d’erreur ; et ré-entraîner le modèle de réseau de neurones quand il est déterminé que la différence dépasse la tolérance d’erreur.
11. Système selon la revendication 10, dans lequel le modèle de réseau de neurones est ré-entraîné par l’application d’une optimisation bayésienne à un ou plusieurs hyperparamètres du modèle de réseau de neurones, et les un ou plusieurs hyperparamètres sont sélectionnés dans le groupe constitué : d’un nombre de couches du modèle de réseau de neurones ; d’un nombre de nœuds dans chaque couche du modèle de réseau de neurones ; et d’un taux de décroissance d’apprentissage du modèle de réseau de neurones.
12. Système selon l’une quelconque des revendications 8 à 11, dans lequel le modèle de réseau de neurones est au moins l’un parmi un réseau de neurones à fenêtre glissante (SWNN) ou un réseau de neurones profond récurrent (DNN) ; et facultativement, dans lequel le DNN récurrent comprend au moins l’une parmi une cellule d’unité récurrente à porte (GRU) ou une cellule de mémoire court et long terme (LSTM).
13. Système selon la revendication 12, dans lequel les fonctions mises en œuvre par le processeur comprennent en outre des fonctions pour filtrer le bruit provenant des données en temps réel, et le DNN récurrent est entraîné sur la base des données en temps réel filtrées.
14. Système selon la revendication 13, dans lequel les fonctions mises en œuvre par le processeur comprennent en outre des fonctions pour :

appliquer les données en temps réel en tant qu’entrée à un réseau de neurones à convolution ;

passer les données de sortie comprenant une valeur de réponse précédemment estimée de l’au moins une variable de fonctionnement à travers un filtre de Kalman ; et

2017-IPM-101331-U1-FR 37 entraîner le DNN récurrent sur la base d’une sortie du réseau de neurones à convolution et d’une sortie du filtre de Kalman.
15. Support de stockage lisible par ordinateur ayant des instructions stockées dans celui-ci, qui quand elles sont exécutées par un ordinateur amènent l’ordinateur à mettre en œuvre une pluralité de fonctions, notamment des fonctions pour :

acquérir des données en temps réel comprenant des valeurs pour une pluralité de variables d’entrée associées à un stade de l’instant d’une opération de forage le long d’un trajet planifié d’un puits de forage au sein d’une formation souterraine ;

entraîner un modèle de réseau de neurones pour produire une fonction objectif définissant une valeur de réponse pour au moins une variable de fonctionnement à optimiser lors de l’opération de forage le long du trajet planifié, sur la base des données en temps réelle acquises ;

estimer la valeur de réponse pour l’au moins une variable de fonctionnement, sur la base de la fonction objectif produite par le modèle de réseau de neurones entraîné ;

appliquer une optimisation stochastique à la valeur de réponse estimée afin de produire une valeur de réponse optimisée pour l’au moins une variable de fonctionnement ;

estimer les valeurs d’une pluralité de paramètres contrôlables pour un stade ultérieur de l’opération de forage, sur la base de la valeur de réponse optimisée de l’au moins une variable de fonctionnement ; et mettre en œuvre le stade ultérieur de l’opération de forage sur la base des valeurs estimées de la pluralité de paramètres contrôlables.